Systèmes d'aide à la décision clinique multi-sources

Multi-source clinical decision support systems

• Auteur / Autrice : Aman Sinha
• Direction : Marianne Clausel, Mathieu Constant
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 23/02/2022
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES
• Partenaire(s) de recherche : Laboratoire : IECL - Institut Elie Cartan de Lorraine
• Partenaire(s) de recherche : Equipe de recherche : PROBAS STATS

Mots clés

Mots clés libres

Domaine médical

Traitement naturel de la langue

Des séries chronologiques

Embedding de graphes

Apprentissage statistique

Linguistique

Medical domain

Natural language processing

Time-series

Graph embeddings

Statistical learning

Linguistic

Résumé

Le langage médical est un sous-langage et il présente des caractéristiques particulières telles qu'un vocabulaire spécifique, une hétérogénéité et un caractère non structuré, ce qui le rend relativement difficile à modéliser avec des modèles d'apprentissage en profondeur de domaine général. Nous classons les origines des données médicales en trois sources principales, à savoir la source clinique, la source scientifique et la source des médias sociaux. Chacune de ces trois sources a des caractéristiques différentes et nécessite donc des moyens particuliers pour être modélisée. La richesse de l'information pour chacune des sources a été largement étudiée, mais la validité des idées tirées de chaque source n'est pas la même et est difficile à déterminer. Cela motive la nécessité de trouver des preuves de validité en intégrant plusieurs sources de données. Dans notre travail de recherche, nous voulons construire un système de navigation assistée patient multi-sources, à partir de multiples perspectives, y compris individualisées et agrégées, pour analyser l'impact des différentes interventions au cours du traitement (en particulier en se concentrant sur le traitement du cancer du sein). Pour ce faire, nous étudions la nature temporelle des données médicales sous plusieurs angles afin d'identifier les modèles, les tendances et les résultats. De plus, nous étudions la quantification et l'évolution des informations dans les sources de données scientifiques pour étudier l'impact sur les pratiques existantes et identifier automatiquement les points de changement (tels que la nouveauté, les travaux précurseurs, etc.).

Medical language is a sub-language and it has particular characteristics such as specific vocabulary, heterogeneity and unstructured-ness which makes it relatively difficult to model with general domain deep learning models. We categorize the origins of medical data into three main sources, namely clinical source, scientific source and social media source. Each of these three sources has different characteristics and therefore requires special ways to be modeled. The information richness for each of the sources have been widely studied but the validity of the insights drawn from each source is not the same and is difficult to ascertain. This motivates a necessity to find evidence of validity by integrating multiple data sources. In our research work, we want to build a multi-source aided patient navigation system, from multiple perspectives including individualized and aggregated, to analyze the impact of the different interventions during the course of treatment (in particular focusing on breast cancer treatment). In order to do so, we study temporal nature of medical data from multiple perspectives to identify patterns, trends, and outcomes. Additionally, we study the quantification and evolution of information in scientific data source to investigate the impact on existing practises and further automatically identify change points (such as novelty, seminal works etc).